本发明属于图像识别技术领域，涉及一种led芯片外观缺陷检测方法及系统，具体涉及一种基于机器视觉的led芯片外观缺陷检测方法及系统；可以快速准确的检测出外观有缺陷的led芯片。



背景技术：

半导体照明用led芯片在各生产工序的生产过程中，由于异物污染或生产故障，容易导致led芯片引入不同种类的缺陷，造成led芯片的功能故障以及产品质量的下降。为保证产品质量，就需要通过外观检测将有缺陷的led芯片及时发现并从生产线上挑选出来，以提高产品质量。传统的led芯片外观检测工艺以人工检测方法为主，自动化程度较差，检测效率低，并且容易造成误检和漏检，也无法及时将检测数据送入生产数据库进行质量管理。随着led芯片产业规模的不断扩大、检测精度要求的不断提高以及人工成本的不断上涨，目前的人工检测方法已无法满足led芯片大规模封装要求。



技术实现要素：

为了解决上述技术问题，本发明提供了一种基于机器视觉的led芯片外观缺陷检测方法及系统。

本发明的方法所采用的技术方案是：一种基于机器视觉的led芯片外观缺陷检测方法，其特征在于，包括以下步骤：

步骤1：采集led芯片图像；

步骤2：对led芯片图像进行去燥平滑预处理，并进行单颗led芯片的分割；

步骤3：支持向量机分类模型训练；

首先利用伽马变换对单颗led芯片图像进行图像增强，并通过制作led芯片数据集进行支持向量机分类模型训练，通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练；

步骤4：利用训练好的支持向量机分类模型检测出外观有缺陷的led芯片。

作为优选，步骤2的具体实现包括以下子步骤：

步骤2.1：使用高斯滤波对原始led芯片图像进行滤波去燥；

步骤2.2：对高斯滤波后的led芯片图像进行灰度化处理，分析图像灰度化后的灰度直方图，根据灰度直方图选取合适阈值，完成图像二值化处理；

步骤2.3：基于led芯片二值化图像，通过图像腐蚀及图像膨胀操作实现开运算形态学处理；

步骤2.4：根据图像形态学处理得到的led芯片图像，通过阈值分割及边界分割方法分割出单颗led芯片。

作为优选，步骤3的具体实现包括以下子步骤：

步骤3.1：利用伽马变换对单颗led芯片图像进行图像增强；

步骤3.2：数据集制作；

人工将获取的led单颗芯片图像分为合格芯片及不合格芯片两类，存储于不同数据集，完成芯片数据集制作；

步骤3.3：将已制作的数据集传入支持向量机分类模型，提取并学习数据集中数据特征，通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练。

作为优选，步骤4中，将led芯片数据传递给支持向量机分类模型，通过支持向量机分类模型最终实现芯片的判断。

本发明的系统所采用的技术方案是：一种基于机器视觉的led芯片外观缺陷检测系统，其特征在于：包括图像采集模块、图像预处理及分割模块、支持向量机分类模型训练模块、外观缺陷检测模块；

所述图像采集模块，用于采集led芯片图像；

所述图像预处理及分割模块，用于对led芯片图像进行去燥平滑预处理，并进行单颗led芯片的分割；

所述支持向量机分类模型训练，用于支持向量机分类模型训练；

首先利用伽马变换对单颗led芯片图像进行图像增强，并通过制作led芯片数据集进行支持向量机分类模型训练，通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练；

所述外观缺陷检测模块，用于利用训练好的支持向量机分类模型检测出外观有缺陷的led芯片。

本发明可使led外观缺陷检测工序实现自动化，提高缺陷检测的检测效率、检测准确率及检测一致性，最终提高led芯片产品质量。

附图说明

图1为本发明实施例的方法流程图；

图2为本发明实施例中采集的led芯片图像；

图3为本发明实施例中led芯片图像预处理各步骤效果图。

图4为本发明实施例中图像增强效果图及数据集制作示意图；

图5为本发明实施例中检测结果。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

请见图1，本发明提供的一种基于机器视觉的led芯片外观缺陷检测方法，包括以下步骤：

步骤1：采集led芯片图像；

本实施例在光源系统的照射下，通过工业相机采集正版led芯片表面图像，通过图像采集卡讲图像的数字化信号存入计算机内存中，得到整版led芯片图像，如附图2。

步骤2：对led芯片图像进行去燥平滑预处理，并进行单颗led芯片的分割；

本实施例中，当芯片表面存在多胶少胶、异物污染等缺陷时，led芯片图像经过一系列图像预处理算法后，分割出单颗led芯片；

请见图3，本实施例中步骤2的具体实现包括以下子步骤：

步骤2.1：使用高斯滤波对原始led芯片图像进行滤波去燥；附图3中的a图像表示led芯片原始图像，b表示高斯滤波后的图像。

步骤2.2：对高斯滤波后的led芯片图像进行灰度化处理，分析图像灰度化后的灰度直方图，根据灰度直方图选取合适阈值，完成图像二值化处理；附图3中c为led芯片灰度化处理后图像，d为芯片图像二值化处理效果。

步骤2.3：基于led芯片二值化图像，通过图像腐蚀及图像膨胀操作实现开运算形态学处理；附图3中e为图像腐蚀处理效果图，f为图像膨胀操作处理后的效果图

步骤2.4：根据图像形态学处理得到的led芯片图像，通过阈值分割及边界分割方法分割出单颗led芯片；分割结果如附图3中g所示。

步骤3：支持向量机分类模型训练；

首先利用伽马变换对单颗led芯片图像进行图像增强，并通过制作led芯片数据集进行支持向量机分类模型训练，通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练；

本实施例通过图像增强，提高单颗led芯片的图像特征，并制作图像芯片数据集，训练支持向量机模型。

请见图4，本实施例中步骤3的具体实现包括以下子步骤：

步骤3.1：利用伽马变换对单颗led芯片图像进行图像增强；图像增强结果如附图4中a所示；

步骤3.2：数据集制作；

本实施例中，人工将获取的led单颗芯片图像分为合格芯片及不合格芯片两类，存储于不同数据集，完成芯片数据集制作；制作的合格芯片数据集及不合格芯片数据集分别如附图4中b、c所示。

步骤3.3：将已制作的数据集传入支持向量机分类模型，提取并学习数据集中数据特征，通过调整支持向量机分类模型结构及支持向量机分类模型参数实现支持向量机分类模型的训练。

本实施例中，数据特征包括灰度值分布、检测的图像边缘等，学习的方式是首先设定分类模型(实质是一种分类函数)，对数据集中数据进行分类，通过对比分类结果和数据集原本数据标签(合格或者不合格)，并反馈给数据模型(优化分类函数)，通过相应算法优化模型(优化函数)，从而进行学习。

本实施例中，调整支持向量机分类模型结构主要通过选取不同的核函数进行实现。支持向量机模型参数调整包括c参数和γ参数，通过不同参数值的测试结果选取合适参数。

本实施例中，训练方式首先设置好相应参数，将数据集传递给分类模型，进行模型优化学习，当模型优化到最佳后，保存相应的优化模型，完成训练。

步骤4：利用训练好的支持向量机分类模型检测出外观有缺陷的led芯片；

请见图5，本实施例将图像采集系统新获取的led芯片进行图像预处理及单颗芯片分割后，将芯片数据传递给支持向量机分类模型，通过支持向量机分类模型实现芯片最终实现芯片的判断。led芯片的部分判别结果如附图4所示，其中左上角有ok标注的为合格芯片。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
联系我时，请说是在东莞机械网看到的，谢谢！